La Data Web

Hace no mucho tiempo Power bi ha incorporado soporte para la lectura de archivos Parquet evitando la creación de enormes funciones en power query para intentar llegar a dichos datos. La parte más atractiva de la extensión es leerla desde un Azure Data Lake puesto que sería más probable que los datos estuvieran almacenados allí.

Recientemente un compañero tuvo un inconveniente para conectarlo de forma tradicional y nativa. El "combinar" automático de Power Query no funcionaba. Fue entonces como llegue a una segunda forma de combinar los archivos parquet de una única tabla. 

Éste artículo muestra como conectarnos a archivos parquet de un Azure Data Lake Gen2 en una carpeta que representa una sola tabla en dos formas distintas.

Hace un tiempo que se me viene presentando requerimientos de personas no tan afines a Power Bi pero si al análisis de datos más duro que va directo con lenguajes de programación como Python y R. 

Los pedidos pasan por poder fácilmente llegar a los datos de modelos tabulares completamente funcionales para respuestas o análisis adhoc que se solicitan en el momento. Naturalmente el pedido solía resultar en comentarles que podía correr Python desde el interior de Power Bi Desktop, exportar sus datos, etc. Todo eso puede ser una solución preventiva pero no creo que se compare a la nueva posibilidad de la API que ahora esta disponible (GA) en Power Bi.

Éste artículo relata las restricciones del request y como formarlo desde el lenguaje de programación Python formando un Pandas DataFrame.

¡Hola a todos! En este articulo voy a intentar darles un resumen del paper sobre Lakehouse que publico Databricks en Enero de este año para el evento CIDR. Es un paper muy interesante porque habla de su visión como empresa, enumera problemas con las arquitecturas actuales de datos, justifica porque consideran que este es el enfoque adecuado, aunque también reconoce que tienen cosas para mejorar y que hay otras arquitecturas que pueden aportar mucho valor.

Si bien este no es un artículo de opinión y solo me enfocare en darles un breve resumen del paper y sus puntos más importantes, si agregue en muchos casos algunas definiciones para hacer la lectura más llevadera y no tener que interrumpir la lectura googleando algún termino especifico. Intente que la numeración usada sea la misma que en el paper, aunque no es 100% fiel.

Ojalá les sea de mucha utilidad.

Recientemente me preguntaron por un curioso requerimiento que sonaba sencillo en un principio pero cuando lo analicé note que necesitaría escribir más líneas de las pensadas.

A medida que las instituciones o entidades guardan más datos en el tiempo se vuelve más difícil resaltar valores que normalmente lo veríamos con una tabla. En este caso particular querían conocer cuantos días consecutivos venían creciendo las ventas respecto del anterior. Normalmente la racha de ventas se vería en una simple tabla diaria pintando colores y filtrando por mes. Sin embargo que pasaría si quisiéramos tener un tablero de pantallazo anual con una tarjeta que diga cual fue la mejor racha en días de ventas. 

El siguiente artículo muestra como contar esas rachas de ventas para obtener el máximo valor en una tarjeta.

¡Hola a todos! Mi nombre es Nazarena Tossolini, trabajo como BI & Analytics Consultant en Pi Data Strategy & Consulting y en esta publicación les quiero compartir un caso particular que tuve que realizar hace unas semanas.

El objetivo consistía en detectar, para determinada semana seleccionada a partir de un slicer, la cantidad de clientes que en ese periodo cumplieran 90 días desde su última compra.

Para entenderlo mejor, veamos el ejemplo.